注册 登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

风之泪

风过雨过,花开花落。。。

 
 
 

日志

 
 

JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法  

2010-09-06 16:06:13|  分类: fileopera |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

 JAVA读取WORD,EXCEL,POWERPOINT,PDF文件
OFFICE文档使用POI控件,PDF可以使用PDFBOX0.7.3控件,完全支持中文,用XPDF也行,不过感觉PDFBOX比较好WORD:


import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;
import org.apache.poi.hwpf.extractor.WordExtractor;

import java.io.File;
import java.io.InputStream;
import java.io.FileInputStream;

import com.search.code.Index;

public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException {

  String bodyText = null;
  try {
   WordExtractor ex = new WordExtractor(is);//is是WORD文件的InputStream
   bodyText = ex.getText();
   if(!bodyText.equals("")){
    index.AddIndex(url, title, bodyText);
   }
  }catch (DocCenterException e) {
   throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);
  }catch(Exception e){
   e.printStackTrace();
  }
}
  return null;
}

 

Excel:

import org.apache.lucene.document.Document;
import org.apache.lucene.document.Field;

import org.apache.poi.hwpf.extractor.WordExtractor;
import  org.apache.poi.hssf.usermodel.HSSFWorkbook;
import  org.apache.poi.hssf.usermodel.HSSFSheet;
import  org.apache.poi.hssf.usermodel.HSSFRow;
import  org.apache.poi.hssf.usermodel.HSSFCell;

import java.io.File;
import java.io.InputStream;
import java.io.FileInputStream;

import com.search.code.Index;

 

public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException {
  StringBuffer content = new StringBuffer();
  try{
   HSSFWorkbook  workbook  =  new  HSSFWorkbook(is);//创建对Excel工作簿文件的引用
   for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) {
    if (null != workbook.getSheetAt(numSheets)) {
     HSSFSheet aSheet = workbook.getSheetAt(numSheets);//获得一个sheet
        for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) {
         if (null != aSheet.getRow(rowNumOfSheet)) {
          HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一个行
          for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) {
           if (null != aRow.getCell(cellNumOfRow)) {
            HSSFCell aCell = aRow.getCell(cellNumOfRow);//获得列值
            content.append(aCell.getStringCellValue());
           }
          }
         }
        }
    }
   }
   if(!content.equals("")){
    index.AddIndex(url, title, content.toString());
   }
  }catch (DocCenterException e) {

   throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);
  }catch(Exception  e)  {
   System.out.println("已运行xlRead()  :  "  +  e  );
  }
  return null;
}

 

PowerPoint:

import java.io.InputStream;

import org.apache.lucene.document.Document;
import org.apache.poi.hslf.HSLFSlideShow;
import org.apache.poi.hslf.model.TextRun;
import org.apache.poi.hslf.model.Slide;
import org.apache.poi.hslf.usermodel.SlideShow;

public Document getDocument(Index index, String url, String title, InputStream is)
throws DocCenterException {
  StringBuffer content = new StringBuffer("");
  try{
   SlideShow ss = new SlideShow(new HSLFSlideShow(is));//is 为文件的InputStream,建立SlideShow
   Slide[] slides = ss.getSlides();//获得每一张幻灯片
   for(int i=0;i<slides.length;i++){
    TextRun[] t = slides[i].getTextRuns();//为了取得幻灯片的文字内容,建立TextRun
    for(int j=0;j<t.length;j++){
     content.append(t[j].getText());//这里会将文字内容加到content中去
    }
    content.append(slides[i].getTitle());
   }
   index.AddIndex(url, title, content.toString());
  }catch(Exception ex){
   System.out.println(ex.toString());
  }
  return null;
}

 

PDF:

import java.io.InputStream;
import java.io.IOException;
import org.apache.lucene.document.Document;

import org.pdfbox.cos.COSDocument;
import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.pdmodel.PDDocumentInformation;
import org.pdfbox.util.PDFTextStripper;

import com.search.code.Index;

 

public Document getDocument(Index index, String url, String title, InputStream is)throws DocCenterException {
 
  COSDocument cosDoc = null;
  try {
   cosDoc = parseDocument(is);
  } catch (IOException e) {
   closeCOSDocument(cosDoc);
   throw new DocCenterException("无法处理该PDF文档", e);
  }
  if (cosDoc.isEncrypted()) {
   if (cosDoc != null)
    closeCOSDocument(cosDoc);
   throw new DocCenterException("该PDF文档是加密文档,无法处理");
  }
  String docText = null;
  try {
   PDFTextStripper stripper = new PDFTextStripper();
   docText = stripper.getText(new PDDocument(cosDoc));
  } catch (IOException e) {
   closeCOSDocument(cosDoc);
   throw new DocCenterException("无法处理该PDF文档", e);
  }

  PDDocument pdDoc = null;
  try {
   pdDoc = new PDDocument(cosDoc);
   PDDocumentInformation docInfo = pdDoc.getDocumentInformation();
   if(docInfo.getTitle()!=null && !docInfo.getTitle().equals("")){
    title = docInfo.getTitle();
   }

  } catch (Exception e) {
   closeCOSDocument(cosDoc);
   closePDDocument(pdDoc);
   System.err.println("无法取得该PDF文档的元数据" + e.getMessage());
  } finally {
   closeCOSDocument(cosDoc);
   closePDDocument(pdDoc);
  }
 
  return null;
}

private static COSDocument parseDocument(InputStream is) throws IOException {
  PDFParser parser = new PDFParser(is);
  parser.parse();
  return parser.getDocument();
}

private void closeCOSDocument(COSDocument cosDoc) {
  if (cosDoc != null) {
   try {
    cosDoc.close();
   } catch (IOException e) {
   }
  }
}

private void closePDDocument(PDDocument pdDoc) {
  if (pdDoc != null) {
   try {
    pdDoc.close();
   } catch (IOException e) {
   }
  }
}

 

 

  评论这张
 
阅读(249)| 评论(0)
推荐 转载

历史上的今天

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2017